Lampiran 1.1. Small Area Estimation (SAE) untuk analisis data dan indikator FSVA tingkat Provinsi 1.

1 Latar Belakang
Dewan Ketahanan Pangan (DKP) dan World Food Programme (WFP) mengembangkan bersama-sama Peta Ketahanan dan Kerentanan Pangan (Food Security and Vulnerability Atlas-FSVA) edisi kedua. FSVA tingkat nasional tersebut telah diluncurkan oleh Presiden Republik Indonesia dan Menteri Pertanian pada tanggal 24 Mei 2010 di dalam forum pertemuan tahunan Dewan Ketahanan Pangan di Jakarta. Berdasarkan INPRES No. 1 tahun 19 Februari 2010, DKP melalui Badan Ketahanan Pangan - Kementerian Pertanian (BKP) selaku sekretariat DKP merencanakan pengembangan FSVA tingkat provinsi di mana tingkat analisisnya sampai dengan kecamatan, yang berkaitan untuk meningkatkan kemampuan dalam targeting dan efektifitas penanganan kerawanan pangan dan gizi. Tim Asistensi FSVA Pusat telah dibentuk oleh BKP pada bulan Februari 2010, dengan WFP menjadi salah satu anggota tim. WFP berkomitmen untuk menyediakan bantuan teknis pada tingkat nasional, provinsi maupun kabupaten yang meliputi proses pengumpulan data, validasi data, konsolidasi, analisis, pembuatan laporan dan pelatihan untuk pelatih (Training of Trainers-ToT). Metode Small Area Estimation (SAE) yang menghasilkan beberapa indikator merupakan salah satu metode analisis yang diperlukan dalam pengembangan FSVA tingkat provinsi. Sehubungan dengan terbatasnya kemampuan teknis metode SAE, maka DKP dan WFP telah bekerjasama dengan ahli-ahli SAE dari Badan Pusat Statistik (BPS) dan Institut Pertanian Bogor (IPB) untuk menyediakan indikator-indikator FSVA tingkat provinsi dengan menggunakan metode SAE.

1.2

Tujuan

SAE merupakan suatu metode yang menggunakan modeling untuk mengestimasi karakteristik suatu data sosial ekonomi yang memiliki tingkat agregasi tinggi (provinsi atau kabupaten) ke tingkat agregasi yang lebih rendah (kabupaten atau desa atau rumahtangga) karena terbatasnya ketersediaan data primer pada tingkat agregasi rendah. Kebutuhan terhadap metode SAE telah meningkat secara signifikan selama kurun waktu 10 tahun terakhir dan metode ini telah digunakan dan di akui secara internasional. Di Indonesia, metode SAE telah digunakan oleh BPS, Bank Dunia dan SMERU untuk menghitung angka kemiskinan pada tahun 2000 serta pengembangan Peta Gizi (Nutrition Map) oleh BPS dan WFP pada tahun 2006. Pada tahun 2010, metode SAE menjadi hal yang sangat penting untuk analisis dan pengembangan FSVA tingkat provinsi dengan level analisis sampai dengan tingkat kecamatan. Hal ini berkaitan dengan hasil review ketersediaan data untuk FSVA di Provinsi NTB, NTT dan Jawa Timur dimana beberapa data dan indikator seperti angka kemiskinan, angka harapan hidup, perempuan buta huruf, akses ke listrik, akses ke air bersih hanya tersedia pada tingkat kabupaten saja bukan pada tingkat kecamatan. Tujuan dari analisis SAE ini adalah menyiapkan data dan indikator untuk pengembangan FSVA tingkat provinsi di 33 provinsi dengan tingkat analisis sampai dengan tingkat kecamatan. Data dan indikator yang akan di analisis adalah sebagai berikut: • • • • • Persentase penduduk hidup di bawah garis kemiskinan; Persentase rumah tangga tanpa akses listrik; Persentase rumah tangga tanpa akses ke air bersih; Perempuan Buta Huruf; Angka harapan hidup pada saat lahir;

• Rata-rata konsumsi kalori per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan; dan • Rata-rata konsumsi protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan.

1.3

Dataset

Model SAE yang digunakan untuk FSVA tingkat provinsi menggunakan 3 sumber data: Survei Sosial Ekonomi (SUSENAS) KOR Juli 2007, Juli 2008 dan Juli 2009: untuk menyediakan data tentang karakteristik individu dan rumah tangga. Beberapa variabel atau karakteristik individu dan rumahtangga tersebut selanjutnya digunakan sebagai variabel penjelas (explanatory variables) atau variabel dependent dalam model. Kombinasi kedua jenis variabel tersebut digunakan dalam merunning model. Jumlah sampel SUSENAS KOR adalah sekitar 270,000 yang ditujukan untuk estimasi kabupaten/kota dan provinsi. Jumlah sampel masing-masing kabupaten/kota berbedabeda. 1

• Potensi Desa (PODES) 2008: untuk menyediakan data pada tingkat masyarakat (desa/kelurahan) yang digunakan sebagai informasi mengenai lokasi (locational information). Tahap pembentukan modeling dan dekomposisi komponen random. Jumlah sampel masing-masing kabupaten/kota dan provinsi berbeda-beda. Metode SAE yang digunakan untuk FSVA terdiri dari 2 tahap: 1. Karena kemampuannya dalam mengestimasi pada tingkat agregasi yang lebih rendah. Sesuai ketersediaan data. Untuk bisa mengaplikasikan modeling dengan menggunakan model regresi.000 rumah tangga untuk seluruh Indonesia.al) karena sudah menyediakan aplikasi yang interaktif dan lebih efisien dalam teknisnya. maka variabel-variabel regresor dalam model harus ada di kedua dataset (survei dan populasi). Misalnya mengenai pengeluaran atau pendapatan. data survei memiliki kelengkapan informasi yang lebih baik. Metode ini mempertimbangkan nilai bias yang signifikan karena adanya sampling error yang biasanya terjadi pada penghitungan indikatorindikator sosial yang didasarkan pada model survei. Khusus PODES 2008 ditujukan untuk persiapan Sensus Penduduk 2010. Pada analisis FSVA ini akan digunakan metode Elbers (et. Di sisi lain. data yang diperoleh dari survei dan data yang diperoleh dari sensus (pencacahan lengkap). Indikator berupa proporsi dikarenakan data populasi hanya menyediakan pada tingkat agregasi (PODES 2008). 2. Metode ini menggabungkan dua kriteria sumber data yang berbeda. Untuk itu perlu dijalankan proses bootstrap yang dapat secara signifikan memperbaiki tingkat akurasi estimasi. Data survei pada umumnya memiliki keterbatasan dalam jumlah observasi (sampel). ukuran-ukuran indikator yang dihasilkan akan sangat bermanfaat untuk keperluan targeting dari program-program pemerintah ataupun kebijakan-kebijakan yang berorientasi pada tingkat wilayah kecil. yaitu: dataset populasi (PODES 2008). sehingga hanya bisa digunakan untuk estimasi di tingkat tertentu. maka untuk analisis FSVA ini digunakan beberapa jenis data. 1. Dalam tahap ini sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables. data sensus memiliki cakupan observasi yang menyeluruh (semua populasi) tetapi memuat informasi yang terbatas. Dalam analisis FSVA ini indikator sebagai dependent variable dan berupa proporsi.4 Metode Metode indirect adalah metode yang paling sering digunakan dalam SAE karena kelebihannya dalam menggunakan berbagai sumber informasi tidak terbatas pada waktu dan cakupan wilayah.• SUSENAS MODUL KONSUMSI Juli 2008: untuk menyediakan data tentang rata-rata pengeluaran makanan dan rata-rata konsumsi kalori/protein per kapita yang digunakan sebagai valiabel target (target variable). Jumlah sampel Susenas Modul adalah sekitar 270. Diasumsikan basic left hand side variable dan cluster adalah tingkat agregasi pada tingkat yang sedikit lebih tinggi dan digunakan dalam dataset survei dan dataset populasi (SUSENAS). Pada tahap ini dihasilkan suatu dataset model yang akan digunakan selanjutnya. dataset survei (SUSENAS 2007-2009). Selain itu. Meskipun demikian. PODES mencakup seluruh desa di seluruh Indonesia. Estimasi ditujukan sampai tingkat kabupaten/kota dan provinsi.al). Metode ini memanfaatkan kelebihan dari masing-masing jenis data untuk mendapatkan estimasi dari ukuran-ukuran indikator dan ketimpangan pada tingkat yang lebih rendah. Tahap simulasi. penerapan model agregasi dari suatu tingkat ke tingkat yang lebih rendah cenderung tidak reliable serta tidak representatif. Berdasarkan Elbers (et.al) dapat dikembangkan estimasi indikator berupa proporsi/persentase menggunakan model berikut: (1) ln y ch = E[ln y ch / x ch ] + µ dimana c h ch : subscript untuk cluster kecamatan : subscript untuk desa/kelurahan-h pada cluster c ych : besaran indikator y pada desa-h dan cluster c xch : karakteristik rumahtangga pada desa-h dalam cluster c Aproksimasi linear dari model (1) kemudian ditulis seperti berikut: (2) ˆ ln y ch = x ch a + µ ch juga disebut sebagai Beta model 2 . Beberapa metode indirect yang pernah digunakan adalah metode Fay Herriot dan metode Elbers ( et. Program penghitungan dimulai dengan estimasi fungsi indikator.

e. sehingga tidak bisa secara nyata memasukkan locational variable ke dalam model survei.al.Exe.05*max{ε ch2}.4. sisa residual εch dapat dijelaskan dengan suatu model logistik yang meregresikan transformasi εch dengan karakteristik h: (6)  e 2 ch  T ˆ ln   = Z ch α + rch 2  A − e ch    juga disebut Alpha model. Visual Foxpro.ch =  + Var (r )    1 + B 2   (1 + B) 3    Dalam persamaan model (2) metode OLS digunakan untuk mengestimasi parameter model dengan asumsi klasik bahwa sisaan bersifat homocedasticity. sehingga estimasi dari ηc untuk tiap cluster tidak bisa diterapkan dan diperlukan suatu model yang ditetapkan untuk mengestimasi deviasi dari ηc. Dalam GLS variance-covariance matrix merupakan suatu diagonal block matrix. Melakukan matching dan penggabungan data PODES dengan data poin c. Dimana A ekuivalen dengan 1. Cluster kecamatan dalam dataset survei tidak semua terwakili dan tidak didesain ke arah tersebut. Mengenerate variabel baru (termasuk dummy) dari variabel SUSENAS KOR. (3) µ ch = η c + ε ch Di sini ηc adalah komponen cluster kecamatan dan εch adalah komponen desa/kelurahan. (4) maka µ 2 c. f. = η c + ε c. d. Residual dari persamaan (2) akan mengandung variansi locational variables. Proses simulasi menggunakan paket program yang pernah digunakan untuk poverty mapping yaitu Povmap. karenanya informasi mengenai lokasi (locational information) tidak tersedia untuk semua wilayah dalam data sensus. maka untuk mengestimasi karakteristik tersebut pada agregasi yang sama dengan data PODES digunakan pooling sample dari SUSENAS Panel 2007 dan 2008 serta SUSENAS KOR Juli 2009. 2 ˆ ) + b c 2 var(τ c 2 )] µ ch Ketika locational effect ηc tidak ada. dan 3 . 1. 2 E[µ c ]= σ η + var(ε c.al memberi suatu estimasi variansi dari distribusi locational effect: ˆ var(σ η 2 ) = (5) ∑ c [a c 2 var(µ c. persamaan (3) kemudian menjadi = + ε ch Sesuai dengan Elbers et. Membuat variabel agregasi pada level desa data poin b. ) = σ η 2 + τ c2 Diasumsikan ηc dan εch berdistribusi normal dan independen satu sama lain. Dengan menggunakan arithmetic expectation dari persamaan (3) atas cluster c. Melakukan matching pada level rumah tangga data Susenas KOR 2007-2008 (variabel individu kepala rumah tangga dan variable rumah tangga) dan variabel indikator. Estimator variansi untuk εch dapat dihitung dengan: (7)  AB(1 − B)   AB  1 ˆ ˆ σ 2 ε . 1.Dikarenakan tidak semua karakteristik di survei ada pada data PODES.Exe/PovmapPacker. dengan menggunakan identitas transformasi yang sudah clean. Seluruh analisis FSVA ini menggunakan berbagai SOFTWARE diantaranya: STATA. Persamaan model (7) dapat mengindikasikan pengingkaran asumsi penggunaan OLS dalam model (2). Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variable baru data poin d. Survei hanya merupakan sub sampel dari keseluruhan populasi. sehingga diperlukan regresi GLS. b. Mengenerate variable baru dari variable PODES pada data poin c. Elbers et. Selanjutnya mengecek hasil matching. MS Office. Penyiapan Dataset 1 (data modeling): a.1 Dataset dibedakan atas Urban dan Rural. c.

Selanjutnya mengecek hasil matching. Jenis atap terluas 7. dan provinsi. d. dilakukan penggabungan data dengan data agregasi PODES level kecamatan menggunakan ID transformasi. Model *. Menghitung agregat residual level kecamatan.09 Juli Susenas Kor 07.08. kab/kota. dijalankan Program POVMAPPACKER yang berfungsi menghasilkan file PDA (biasanya dihasilkan oleh SAS).09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. Hubungan dengan Kepala rumah tangga 2. kemudian memasukkan variabel tersebut dalam model alpha (ditambah variable _Yhat_). Menghitung residual dari model d.09 Juli Susenas Kor 07. Jumlah Kepala Keluarga pengguna listrik 10.POU yang dapat diakses dengan MS Excel. Lapangan pekerjaan Kepala rumah tangga 4. Dengan Dos Prompt. Wilayah desa berada dalam/sekitar/luar hutan 4 . dan c. Variabel yang Digunakan untuk Menggambarkan Indikator FSVA Nama Variabel dari kuesioner A. Modelling pada Dataset 1: a. Persentase rumah tangga tanpa akses listrik 1. Konfigurasi *. dengan menggunakan identitas transformasi yang sudah clean. Selanjutnya mengecek hasil matching.09 Juli Podes 08 Podes 08 Podes 08 Sumber data 11. Jenis dinding terluas 8. selanjutnya melakukan regresi stepwise mean ln y terhadap seluruh variabel agregat kecamatan. Output dari hasil simulasi adalah file *. OUT.txt adalah text file yang berisi definisi model beta dan alpha.pcf adalah file konfigurasi untuk menghasilkan output yang diinginkan. Dari data poin e (data PODES) pada penyiapan dataset 1. Ketinggian dari permukaan laut Susenas Kor 07. Melakukan regresi stepwise (ln dependent variable) terhadap seluruh variable t-tes dari data survei level desa (mean/proporsi). PRESC.09 Juli Susenas Kor 07. File ikutan yang muncul adalah PLO sedangkan –vAB –r -0100 adalah option.08. dan e.08. Menghitung rata-rata ln y pada level kecamatan. Tingkat pendidikan Kepala rumah tangga 3. Fasilitas tempat buang air besar 9.08. 4. 3.09 Juli Susenas Kor 07. b. Penyiapan Dataset 2 (data simulasi): a. Menyiapkan dataset 1 dan dataset 2 dalam format STATA. Menyeleksi variable yang memiliki korelasi yang kuat (indikatornya adalah sebaran sisaan yang terpola).08. Mengenerate variable baru dari variable PODES pada data poin a (sama persis seperti poin e pada penyiapan dataset 1).08. b. Menyeleksi variable yang masuk dalam model beta. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variabel baru data poin b. 2. Menyeleksi variabel akhir yang masuk dalam model beta. Isi file ini adalah nilai estimasi indikator pada level desa/kelurahan. File ikutan yang muncul adalah file PLI.g. c.08. Melakukan matching dan penggabungan pada level kecamatan data poin f dan data poin d. Melakukan regresi stepwise kembali ln y terhadap variabel survei yang terseleksi (point b) dengan variable agregat (poin c). b.09 Juli Susenas Kor 07. kecamatan. Simulasi Dataset 2: a. Melakukan running program POVMAP dengan input PDA file yang dibaca secara otomatis dari hasil POVMAPPACKER. Menyeleksi variabel yang masuk dalam model beta. Hasil output juga dilengkapi dengan standard error hasil simulasi. Sumber penerangan 5. Dengan file konfigurasi ini selanjutnya dapat ditentukan ukuran indikator yang ingin didapatkan. Status penguasaan bangunan tempat tinggal 6. Melakukan regresi ln residual kecamatan terhadap semua variabel independent.08.

Jumlah Kepala Keluarga pengguna listrik 6.09 Juli Susenas Kor 07. Rata-rata pengeluaran non makanan/kpt/bln 13.08.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. Jenjang pendidikan yg pernah/sedang diduduki 2.09 Juli Susenas Kor 07. Lapangan usaha utama 8. Hubungan dengan kepala rumahtangga 4. Apakah punya pekerjaan/usaha.08. Jumlah Rumah Tangga yang menggunakan telepon B.09 Juli Susenas Kor 07.08. Jumlah minimarket/restoran/toko.09 Juli Susenas Kor 07.08.08.09 Juli Susenas Kor 07.09 Juli Podes 08 Podes 08 Podes 08 Susenas Kor 07. Sumber air minum (air bersih = air kemasan/ air isi ulang/leding meteran/leding eceran/ sumur bor.09 Juli Susenas Kor 07.08. Status penguasaan bangunan tempat tinggal 4.08.08. Proporsi penduduk/Kepala Keluarga bekerja di pertanian 14. Ketinggian dari permukaan laut 7. Persentase penduduk hidup di bawah garis kemiskinan Susenas Kor 07.09 Juli Susenas Kor 07. Persentase rumah tangga tanpa akses ke air bersih 1. Jumlah pasar permanent/tidak permanen 13.09 Juli Susenas Kor 07. Perempuan Buta Huruf Umur Dapat membaca dan menulis Hubungan dengan Kepala rumah tangga Tingkat pendidikan Kepala rumah tangga Lapangan pekerjaan Kepala rumah tangga Sumber penerangan Status penguasaan bangunan tempat tinggal Jenis atap terluas Jenis dinding terluas Fasilitas tempat buang air besar Jumlah Kepala Keluarga pengguna listrik Ketinggian dari permukaan laut D.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. Rata-rata konsumsi kalori/kapita/bulan 11.08.09 Juli Susenas Kor 07.08. Jenis kelamin 3.08.08. Apakah melakukan kegiatan smg terakhir 6. Jumlah keluarga penerima ASKESKIN 1 tahun yang lalu 5 .08. Rata-rata konsumsi protein/kapita/bulan 12. Sumber penerangan 3.08.08.08.09 Juli Susenas Kor 07.pompa/sumur terlindung) 2. Rata-rata pengeluaran makanan/kapita/bulan 10.09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Podes 08 Podes 08 9.08.dll Sumber data Podes 08 Podes 08 Podes 08 14. Wilayah desa berada dlm/sekitar/luar hutan C.Nama Variabel dari kuesioner 12. Fasilitas tempat buang air besar 5.09 Juli Susenas Kor 07.08. sementara tidak bekerja 7.09 Juli Susenas Kor 07.09 Juli Podes 08 Podes 08 1.08.08.09 Juli Susenas Kor 07.08. Status/kedudukan dalam pekerjaan utama Susenas Kor 07.09 Juli Susenas Kor 07.08. Jumlah anggota rumahtangga 5.

Berapa kali mendapat imunisasi F.09 Juli Susenas Kor 07. Dalam hal ini indikator tersebut seperti persentase rumah tangga yang tidak ada akses listrik dan persentase rumah tangga tanpa air bersih.09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli 1. bahwa dalam tahap simulasi sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables.Nama Variabel dari kuesioner E. dan b.5 Hasil dan Realibilitas SAE Sampling Error (Standard Error) dan Non Sampling Error dalam Survei/Sensus Ada beberapa kesalahan (Error) dalam kegiatan survei atau sensus.09 Juli Susenas Kor 07. Total pengeluaran ikan/udang/cumi/kerang/ daging sebulan 5. Penolong kelahiran terakhir 7. Jumlah anak kandung dilahirkan. Pada survei sampel terjadi kesalahan antara lain karena metode sampling yang tidak tepat (sampling error) dan kesalahan yang disebabkan oleh faktor manusia seperti kesalahan yang disebut pada butir a (non sampling error). sdh meninggal 5. Umur saat perkawinan pertama 2. Penduga untuk nilai Standard Error yang merupakan indikator untuk Sampling Error diperoleh dari nilai standard deviasi dari indikator seluruh kemungkinan sampel yang disimulasi. Penolong kelahiran pertama 6.09 Juli Susenas Kor 07. Total pengeluaran umbi-umbian sebulan 4. Jumlah anak kandung dilahirkan. Makin besar sampel berarti makin banyak responden dan petugas sehingga kemungkinan makin besar kesalahan pada pengumpulan informasi.08.09 Juli Susenas Kor 07. Jumlah anak kandung dilahirkan.08. Sampling Error (Standard Error) dalam SAE Seperti yang dijelaskan sebelumnya. Rata-rata konsumsi kalori/protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan 1. Keseimbangan antara keduanya perlu dipertimbangkan dalam mendesain suatu survei terutama dalam penentuan besarnya sampel sehingga dapat menggambarkan populasi.08. Total pengeluaran padi-padian sebulan 3. 6 . Kenaikan besaran sampel akan menurunkan sampling error tetapi sebaliknya akan memperbesar non sampling error.08. Total pengeluaran minyak & lemak sebulan 8. sedangkan pada survei sampel terjadi kesalahan yang bersumber dari sampling error (standard error) dan non sampling error.09 Juli Susenas Kor 07. Total pengeluaran sayur/kacang/buah sebulan 7. Total pengeluaran telur & susu sebulan 6. Nilai indikator sendiri diperoleh dari rata-rata seluruh indikator kemungkinan sampel tersebut. Daftar isian yang kurang baik pada survei atau sensus atau daftar isian dengan variabel yang terlalu rinci akan menyebabkan tingginya kesalahan akibat faktor manusia.08. seperti: a.09 Juli Susenas Kor 07. lahir hidup 3.08. Pada registrasi dan sensus lengkap tidak dijumpai kesalahan yang disebabkan karena penarikan sampel. Pada sensus terjadi adanya kesalahan seperti salah isian dan pengolahan atau karena responden dan petugas yang cukup banyak. Proses pengambilan berulang ini dalam teknik penarikan sampel dapat disamakan dengan proses membuat all possible sample (seluruh kemungkinan sampel yang terpilih). Angka harapan hidup pada saat lahir 1. Total pengeluaran makanan & non makan sebulan Sumber data Susenas Kor 07.08. Total pengeluaran makanan sebulan 2. Variabel yang dibootstrap adalah variabel dependent atau variabel indikator yang diestimasi. masih hidup 4.

Muara Enim 04. Lahat 2 1 3 1 1 2 0 0 1 3 2 1 7 . Ogan Komering Ulu 02. Muara Enim 04. Jumlah Kecamatan berdasarkan Range Standard Error 2 Indikator di 2 Provinsi Range Standard Error Indikator Provinsi/Kabupaten/Kota < 20% Persentase rumah tangga tanpa akses listrik (Daerah Pedesaan/rural) Sumatera Selatan 01. Tanah Bumbu 11. Balangan 71.1): Tabel 6. Ogan Komering Ulu Timur 10. maka dijelaskan jumlah kecamatan menurut beberapa indikator dan range standard error pada kabupaten di 2 provinsi sebagai contoh (lihat tabel 6. Musi Rawas 06. Hulu Sungai Utara 09.1. Tapin 06. Ogan Komering Ulu Selatan 09. Hulu Sungai Tengah 08. Ogan Komering Ilir 03. Lahat 05. Musi Banyuasin 07. Kota Baru 03. Banjarmasin 72. Tanah Laut 02. Ogan Komering Ulu 02. Prabumulih 73. Banjar Baru 9 3 12 13 10 9 10 7 10 4 6 0 0 0 17 7 4 2 2 1 3 2 6 2 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 Perempuan Buta Huruf (Daerah Perkotaan/urban) Sumatera Selatan 01. Banjar 04. Ogan Komering Ilir 03. Banyuasin 08. Tabalong 10. Hulu Sungai Selatan 07.Untuk melengkapi laporan metodologi dan sebagai gambaran umum. Lubuk Linggau 8 18 18 12 18 11 11 10 13 16 2 0 2 4 3 3 0 3 5 3 0 4 9 7 0 5 2 1 1 2 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 20%-40% > 40% Persentase rumah tangga tanpa akses ke air bersih (Daerah Pedesaan/rural) Kalimantan Selatan 01. Pagar Alam 74. Empat Lawang 71. Barito Kuala 05. Palembang 72. Ogan Ilir 11.

Balangan 71. dan beberapa diatas 40%. Palembang 72. Musi Banyuasin 07. 8 . Ogan Ilir 11. Tapin 06. dimana sebagian besar berada di bawah 20%. Tanah Bumbu 11. Banjar Baru 0 1 1 1 1 3 1 1 1 2 0 5 0 3 0 2 2 1 1 1 4 2 1 1 0 5 0 0 1 1 0 2 0 0 1 1 0 0 0 Catatan: Daerah urban/rural berdasarkan desa/kelurahan dalam kecamatan. Relatif sebagian kecil berada diantara 20-40%. Banjarmasin 72. Ogan Komering Ulu Selatan 09. Berdasarkan tabel diatas dapat diambil kesimpulan. Empat Lawang 71. Pagar Alam 74. Lubuk Linggau 0 1 1 0 1 1 0 11 1 1 4 0 0 3 2 1 2 1 5 3 1 3 1 1 0 1 0 0 0 0 0 0 0 Perempuan Buta Huruf (Daerah Perkotaan/urban) Kalimantan Selatan 01. Meskipun tabel diatas kondisi pada 2 provinsi. jadi jumlah kecamatan urban/rural adalah tidak selalu sama. Kota Baru 03. Musi Rawas 06. Tabalong 10. Banjar 04.05. Prabumulih 73. Hulu Sungai Utara 09. Hulu Sungai Selatan 07. Ogan Komering Ulu Timur 10. Hulu Sungai Tengah 08. diantaranya adalah nilai standard error untuk beberapa indikator (Persentase rumah tangga tanpa akses listrik dan persentase perempuan buta huruf) secara umum baik di daerah perkotaan (urban) dan pedesaan (rural) relatif cukup baik. tapi setidaknya sudah dapat memberikan contoh bagaimana nilai akurasi atau standard error pada level kecamatan. Barito Kuala 05. Tanah Laut 02. Banyuasin 08.

9 .

Sign up to vote on this title
UsefulNot useful